清晨推开窗迎面扑来的是透骨的清冽。草叶尖上凝结着薄薄的一层白霜在晨光里闪烁着微光。翻开日历今天正是霜降也是秋天的最后一个节气。每当这个时候江南的空气里便多了一层湿冷的寒意厨房里砂锅煨汤的香气还有书架上泛黄的旧书总能给人带来最踏实的慰藉。我们平时搭建的个人 RAG检索增强生成系统大多处于“被动响应”的被动状态——只有当我们敲击键盘提出问题时它才会从向量库里检索出答案。然而在真实的生活情境中我们常常希望身边的数字伙伴能像一位心有灵犀的老友在节气流转、气温骤降的清晨主动从我们历年记录的笔记、食谱和散文里翻出那些被岁月尘封的暖意。今天我们就来为个人生活 RAG 助手装上一根“节气神经”让它能够感知季节冷暖主动为我们呈上定制的温补食谱与治愈篇章。一、从被动问答到“情境触发式”检索传统的问答链路通常是基于用户输入的 Prompt 计算 Embedding 向量然后在知识库中执行余弦相似度检索。这种模式忽略了一个至关重要的维度环境上下文Contextual Awareness。一个懂生活的个人助手应当感知到以下三种外部信号天文与农历节气信号通过轻量农历算法判断今日是否适逢霜降、立冬等关键节气点。本地环境气象信号获取室外实时气温与体感温度当气温跌破预设阈值例如 12 摄氏度时唤醒保暖上下文。历年同一时期的记忆召回检索历年 10 月下旬至 11 月上旬我们亲自记录的饮食心境与日记片段。我们将这三项信号组装为一个隐式检索查询Implicit Search Vector在早晨定时任务触发时静默向本地知识库索取匹配度最高的记忆切片。二、感知季节轻量节气与天气特征提取器无需引入繁重的第三方大模型全家桶几行轻巧的 Python 代码就能让系统感知节气与温度import datetime from typing import Dict, Any # 二十四节气简易计算或节气字典对照 SOLAR_TERMS_2026 { 10-23: 霜降, 11-07: 立冬, 11-22: 小雪 } def get_seasonal_context(current_temp: float) - Dict[str, Any]: 生成今日季节情境元数据 today_str datetime.date.today().strftime(%m-%d) solar_term SOLAR_TERMS_2026.get(today_str, None) # 判定是否属于深秋霜寒期 is_chilly current_temp 14.0 context_keywords [] if solar_term: context_keywords.extend([solar_term, 节气食疗, 温润祛燥]) if is_chilly: context_keywords.extend([热汤暖胃, 生姜红枣, 深秋散文, 老白茶]) return { solar_term: solar_term, temperature: current_temp, is_chilly: is_chilly, intent_query: .join(context_keywords) }这段代码为检索阶段输出了高质量的情境关键词。如果今天是 10 月 23 日且气温只有 9 度生成的检索意图就是霜降 节气食疗 温润祛燥 热汤暖胃 生姜红枣 深秋散文 老白茶。三、情境混合召回与记忆拼装拿到情境查询串后我们利用之前搭建的本地嵌入模型如bge-small-zh-v1.5与 SQLite 知识库进行混合检索。这里特别设计了一个“生活双轨召回”机制轨道一温养食谱库。限定标签为category:recipe寻找食材中包含羊肉、白萝卜、生姜、梨汤或山药的私人食谱笔记。轨道二往昔深秋心境。限定标签为category:journal提取往年深秋自己手写的随笔看看去年的今天自己喝了什么茶、读了哪本书。import sqlite3 from typing import List, Dict def retrieve_autumn_memories(intent_query: str, db_path: str notes.db) - List[Dict[str, str]]: 从本地知识库检索温养食谱与往年随笔 # 模拟向量检索与元数据过滤结合 with sqlite3.connect(db_path) as conn: cursor conn.cursor() # 优先抽取生活食谱与温润手账 query SELECT title, content_markdown, category FROM personal_notes WHERE category IN (recipe, journal) AND ( content_markdown LIKE %霜降% OR content_markdown LIKE %暖汤% OR content_markdown LIKE %老白茶% OR content_markdown LIKE %雪梨% ) ORDER BY RANDOM() LIMIT 3; cursor.execute(query) rows cursor.fetchall() results [] for r in rows: results.append({ title: r[0], content: r[1][:240], # 截取核心摘要 category: r[2] }) return results四、用温润的口吻生成晨间手账推送召回了往昔的记忆片段之后我们把这些切片连同今日的气温与节气注入到本地 Ollama 驱动的模型中。通过精心设计的系统提示词让模型以极其安静温和的生活家语调为我们整理出一份早安信札import json import urllib.request SYSTEM_PROMPT 你是一位陪伴在侧的生活密友说话语气柔和、内敛、带有书卷气。 请结合提供的节气、气温以及我往年记录的食谱和日记为我写一段清晨问候。 内容包含 1. 一句关于今日节气与气温的轻声提醒 2. 推荐一道适合今日烹煮的私藏热汤或茶饮来自我的食谱笔记 3. 引用一句我往年在深秋写下的随笔唤醒旧日时光。 注意文字必须恬淡自如不要使用任何夸张、生硬或公文腔调。 def generate_morning_greeting(seasonal_info: Dict[str, Any], memories: List[Dict[str, str]]) - str: user_payload { today_context: f今日节气{seasonal_info[solar_term] or 深秋}室外气温{seasonal_info[temperature]}℃, my_recalled_notes: memories } req_data { model: qwen2.5:7b, messages: [ {role: system, content: SYSTEM_PROMPT}, {role: user, content: json.dumps(user_payload, ensure_asciiFalse)} ], stream: False, options: {temperature: 0.65} } req urllib.request.Request( http://127.0.0.1:11434/api/chat, datajson.dumps(req_data).encode(utf-8), headers{Content-Type: application/json} ) with urllib.request.urlopen(req) as resp: res json.loads(resp.read().decode(utf-8)) return res[message][content]五、晨光初晓时的温柔回响当这套脚本在清晨七点随系统定时任务悄然执行时我的手机屏幕上亮起了一条纯净的通知“推开窗檐角已染微白。今日霜降室外气温骤降至 9℃记得添一件厚开衫。翻看前年秋天的手账你曾记下一道‘白萝卜排骨陈皮汤’用小火慢煨两个小时辛凉下气正宜今日祛除秋燥。去年今日你在阳台写道‘一炉茶沸满室生春。’炉上的老茶已备好愿你今天过得平静从容。”看着这段字句你不会觉得面对的是一台冷冰冰的计算机器。那些存储在本地磁盘上的向量和文本因为节气的契合而重新焕发了体温。技术不应该只是用来提高工作效率的催促绳索当它被用来照料我们的日常起居、守护琐碎记忆时便成为了连接我们与四季轮回最温柔的纽带。